KI-Trainingsplan: Was aktuelle Studien zeigen

Eine Frage, die die Sportwissenschaft aktuell stellt

Seit ChatGPT öffentlich verfügbar ist, stellen sich Sportwissenschafter und Trainer eine Frage, die sich nicht mehr ignorieren lässt: "Wie gut sind KI-generierte Trainingspläne — gemessen an sportwissenschaftlichen Maßstäben?"

Inzwischen gibt es erste systematische Antworten. Ich habe die relevantesten Studien aus 2025 und 2026 zusammengestellt — einschließlich einer Studie, an deren Peer Review ich für das Journal BMC Sports Science, Medicine and Rehabilitation beteiligt war — und schaue, was sie für die praktische Nutzung bedeuten.

Was passiert, wenn man ChatGPT einfach einen Trainingsplan erstellen lässt

Die naheliegendste Forschungsfrage war zuerst: Wie gut sind die Pläne, die ChatGPT und Co. ohne besondere Vorkonfiguration produzieren?

Düking et al. (2025) haben genau das untersucht. Zehn erfahrene Coaches — alle mit Sportwissenschaftsstudium und mindestens zwei Jahren Coaching-Erfahrung — bewerteten Krafttrainingspläne für Hypertrophie und Maximalkraft, die GPT-3.5 (via ChatGPT und Microsoft Copilot) sowie Google Gemini erstellt hatten. Bewertungsgrundlage: 27 Kriterien, die für effektive Trainingsplanung als wesentlich gelten.

Das Ergebnis: Die Gesamtqualität war moderat. Bestnoten (5/5) waren selten, Wertungen unter 3/5 häufig. Zwischen den Modellen gab es kaum relevante Unterschiede. Das Fazit der Autoren: KI kann als Basis dienen, ersetzt aber kein Fachwissen und sollte nicht unreflektiert eingesetzt werden.

Ein ergänzender Blick in den klinischen Bereich schärft das Bild weiter: Bernal-Utrera et al. (2025) testeten ChatGPT-4 bei 15 klinischen Fragen zu Bewegungsempfehlungen — spezifisch für Brustkrebspatientinnen, verglichen mit evidenzbasierten Leitlinien. Nur 7 % der Antworten waren vollständig korrekt, 29 % komplett falsch. Das ist ein extremes Anwendungsszenario mit besonders hohen Sicherheitsanforderungen — aber es illustriert gut, wohin ungefilterte LLM-Ausgaben ohne fachliche Einbettung führen können, sobald Dosierung und Kontraindikation zählen.

Kann ChatGPT einen sportwissenschaftlich fundierten Trainingsplan erstellen?

Ja — aber der Prompt macht den entscheidenden Unterschied. Das ist der Kernbefund der Studie, die meinem KI-Assistenten als methodische Grundlage dient.

Genç et al. (2025), veröffentlicht in BMC Sports Science, Medicine and Rehabilitation, verglichen ChatGPT-3.5, ChatGPT-4o und ChatGPT-4.1 bei der Erstellung 12-wöchiger Krafttrainingsprogramme. Die Instruction Sets wurden nicht einfach hingeschrieben — sie wurden von sieben Experten entwickelt, allesamt Certified Strength and Conditioning Specialists (CSCS) oder Sportpädagogik-Doktoranden mit Schwerpunkt Trainingsphysiologie.

ChatGPT-4.1 produzierte deutlich präzisere Ergebnisse als ältere Versionen: besseres Verständnis für Periodisierung, Variation und Deload-Wochen, geschlechtsspezifische Anpassungen auf Literaturbasis. Dennoch blieben auch in den besten Outputs Lücken — vor allem bei Belastungsparametern und individuellen Sicherheitsaspekten.

An diesem Peer Review durfte ich für BMC Sports Science mitwirken. Die methodischen Kriterien dieser Studie sind direkt in die Entwicklung meiner KI-Assistenten eingeflossen.

ChatGPT oder Claude — macht das einen Unterschied?

Welche KI-Plattform eignet sich besser für Trainingspläne?

Die Studie von Genç et al. testete ChatGPT-Versionen — das liegt nahe, denn ChatGPT ist das bekannteste Tool im Bereich KI-Trainingsplanung. Für die reine Planerstellung per Einzel-Prompt sind beide Plattformen gut geeignet: ChatGPT und Claude liefern bei vergleichbaren Prompts vergleichbare Ergebnisse.

Der Unterschied zeigt sich, sobald ein konfigurierter Assistent mit System-Prompt und Wissensdatenbank zum Einsatz kommt. Und genau hier spreche ich eine klare Empfehlung aus: Ich empfehle Claude — aus zwei Gründen, die sich in der praktischen Nutzung bemerkbar machen.

1. Prompt-Treue und Konsistenz über längere Gespräche. Claude hält sich zuverlässiger an einen hinterlegten System-Prompt — auch wenn das Gespräch länger wird oder der Nutzer die Richtung wechselt. In meiner eigenen Arbeit mit konfigurierten Assistenten ist das der entscheidende Qualitätsfaktor: Der Assistent bleibt in seinem Rahmen, assoziiert nicht frei und weicht nicht schleichend von der sportwissenschaftlichen Grundlage ab.
2. Die kostenlose Claude-Version reicht für den Start vollständig aus. Das bedeutet konkret: Du richtest den Assistenten einmal ein — ohne Abo, ohne laufende Kosten von meiner Seite — und kannst sofort sportwissenschaftlich fundierte Trainingspläne erstellen. Wer später mehr möchte, kann mit Claude Pro das sitzungsübergreifende Gedächtnis dazuschalten. Aber das ist optional, kein Muss.

Mit ChatGPT ist das anders: Die Free-Version ist stärker eingeschränkt, und für eine sinnvolle Nutzung des konfigurierten Assistenten über längere Zeit wird dort schneller ein Abo relevant.

KI-Trainingsassistent - einmalig einrichten, dauerhaft nutzen

Sportwissenschaftlich konfiguriert. Läuft auf ChatGPT und Claude — auf Claude auch in der kostenlosen Version.

^{Einmalig 14 € · kein Abo · sofort einsatzbereit}

→ Zum KI-Trainingsassistenten

Der nächste Schritt: Wissensbasis statt reiner Prompt

Was unterscheidet einen konfigurierten KI-Assistenten von einem normalen Prompt?

Hier wird es konzeptuell entscheidend — und es lohnt sich, einen Blick auf die Forschungsrichtung zu werfen, die sich gerade entwickelt.

In der KI-Forschung wird aktuell intensiv daran gearbeitet, LLMs mit strukturierten Wissensgraphen zu kombinieren: Das Modell greift dabei nicht nur auf sein allgemeines Trainingswissen zurück, sondern auf eine kuratierte, domänenspezifische Wissensbasis — mit expliziten Regeln, Kontraindikationen und Trainingsprinzipien. Die Grundhypothese: Ein LLM, das auf strukturiertes Fachwissen zugreifen kann, liefert zuverlässiger korrekte und sichere Ausgaben als eines, das frei assoziiert.

Dieses Prinzip ist konzeptuell gut begründet — auch wenn die empirische Forschung dazu noch jung ist und robuste, unabhängig replizierte Belege noch ausstehen. Es entspricht aber exakt dem, was erfahrene Trainer intuitiv tun: Sie arbeiten nicht aus dem Bauch heraus, sondern aus einem strukturierten Wissensrahmen heraus.

Genau dieses Prinzip setzt mein KI-Assistent praktisch um. Die Wissensdatenbank, die ich im System hinterlegt habe, funktioniert nach demselben Grundprinzip — als strukturiertes Fundament, auf das Claude bei jeder Antwort zurückgreift, statt frei zu assoziieren.

Was das für die Praxis bedeutet

Welche Schwächen haben KI-Trainingspläne?

Die Forschung ist konsistent in der Benennung der Schwachstellen ungefilteter LLM-Ausgaben:

• Dosierungsangaben fehlen oder sind unspezifisch — Sätze, Wiederholungen, Intensitätsbereiche werden oft nur grob angegeben
• Sicherheitsaspekte werden nicht systematisch geprüft — wann sollte ein Plan angepasst oder eine Fachperson konsultiert werden?
• Vollständigkeit leidet besonders bei komplexen Profilen — Vorerkrankungen, asymmetrische Ausgangslagen, mehrere parallele Ziele

Diese Punkte sind nicht zufällig: Sie entsprechen exakt den Bereichen, in denen ein Sportwissenschafter vom Standard-Output abweichen würde. Und sie sind die Bereiche, auf die mein Assistent durch seine Konfiguration gezielt ausgerichtet ist.

Das ist der Unterschied zwischen einem Prompt und einem System.

Mein KI-Trainingsassistent adressiert genau diese Schwächen — mit sportwissenschaftlicher Wissensdatenbank, strukturierter Gesprächsführung und Sicherheitsfilter.

^{Läuft auf ChatGPT und Claude · Einmalig 14 €}

→ Zum KI-Trainingsassistenten

Wie gut sind KI-Trainingspläne wirklich — eine ehrliche Einschätzung

Drei Aussagen, die die Forschungslage zusammenfassen:

• Ungefilterte LLM-Outputs reichen nicht. Moderate Qualität, schwache Dosierung, Sicherheitslücken — das ist der Stand ohne fachliche Konfiguration.
• Strukturierte Prompts von Fachpersonen machen einen nachweisbaren Unterschied. Das ist der Kernbefund von Genç et al. — und der Grund, warum ich nicht einfach einen Chat-Prompt empfehle.
• Eine integrierte Wissensbasis hebt die Qualität weiter. Theoretisch gut begründet, praktisch in meiner Arbeit erprobt — die empirische Forschung dazu ist im Aufbau.

Wo die Grenzen bleiben

Die Forschung ist noch jung — und ehrlich in ihren Einschränkungen. Die meisten Studien testen hypothetische Profile, keine echten Nutzungsszenarien. Wie gut KI-Assistenten mit realen Verletzungen, komplexen Beschwerdebildern oder Hochtrainierten umgehen, ist noch weitgehend offen.

Was klar bleibt: Fachliche Supervision ist nicht ersetzbar. Nicht weil KI grundsätzlich unsicher ist — sondern weil sie keine Bewegung sehen, keine Kompensation erkennen und kein therapeutisches Urteil fällen kann.

Fazit

Aktuelle Studien zeigen: KI-Trainingspläne haben echtes Potenzial — aber nur mit fachlicher Einbettung. Ein konfigurierter Assistent mit sportwissenschaftlicher Wissensdatenbank und durchdachter Prompt-Struktur liefert nachweislich bessere Ergebnisse als ein ungefilteter Chat. Claude ist dabei meine bevorzugte Plattform — wegen seiner Konsistenz, seiner Fähigkeit zur Gesprächsführung und seiner Prompt-Treue.

Wenn du wissen willst, wie ein solcher Assistent technisch aufgebaut ist und was ihn von einem einfachen Prompt unterscheidet: → Vom Prompt zum System: So funktioniert ein konfigurierter KI-Trainingsassistent

FAQ - Häufig gestellte Fragen

• Kann ChatGPT einen guten Trainingsplan erstellen? Ja — aber mit Einschränkungen. Ohne fachliche Konfiguration ist die Qualität laut aktuellen Studien moderat: strukturell oft korrekt, aber bei Dosierung, Progression und Sicherheitsaspekten häufig unvollständig. Ein strukturierter Prompt oder ein konfigurierter Assistent mit Wissensdatenbank verbessert die Ergebnisse nachweislich.
• Was ist besser für Trainingspläne — ChatGPT oder Claude? Für eine Einzel-Abfrage per Prompt sind beide vergleichbar geeignet. Für einen dauerhaft konfigurierten Assistenten mit System-Prompt und Wissensdatenbank hat Claude Vorteile: bessere Konsistenz über lange Gespräche, stärkere Prompt-Treue und eine natürlichere Gesprächsführung. Mein KI-Trainingsassistent ist deshalb primär für Claude optimiert — hier findest du alle Details zum Produkt.
• Welche Schwächen haben KI-Trainingspläne laut Forschung? Aktuelle Studien nennen drei wiederkehrende Schwächen: fehlende oder ungenaue Dosierungsangaben (Sätze, Intensität, Pausen), unzureichende Sicherheitshinweise und mangelnde Vollständigkeit bei individuellen Profilen. Diese Schwächen sind im direkten Vergleich zwischen ungefilteten LLM-Ausgaben und fachlich konfigurierten Assistenten deutlich reduziert.
• Ersetzt ein KI-Trainingsassistent einen Sportwissenschafter oder Trainer? Nein. KI kann keine Bewegung sehen, keine Kompensationsmuster erkennen und kein therapeutisches Urteil fällen. Sie ist ein strukturiertes Hilfsmittel für eigenverantwortliches Training — kein Ersatz für persönliche Begleitung bei Verletzungen, Beschwerden oder komplexen Ausgangssituationen.

Wissenschaftliche Quellen

• Düking, P., Havers, T., Jelonnek, C., Masur, L., Isenmann, E., Sperlich, B., & Geisler, S. (2025). A professional assessment of training plans for muscle hypertrophy and maximal strength developed by generative artificial intelligence. Biology of Sport, 42(4), 353–366.
• Genç, A., Aydın, G. R., Kasap, M., Özkan, A., Rakhymzhanov, A., Gürcan, H. H., Güllü, S., & Demirhan, B. (2025). Comparative evaluation of ChatGPT versions in training program design: scientific approach, accuracy, and practical applicability. BMC Sports Science, Medicine and Rehabilitation.
• Bernal-Utrera, C., Bravo-Vázquez, A., Montero-Bancalero, F. J., Suárez-Vega, A., Casuso-Holgado, M. J., & Anarte-Lazo, E. (2025). Evaluation of ChatGPT accuracy and reliability in answering questions about exercise recommendations for breast cancer survivors. Physiotherapy, 130, 101838.